AUTHOR
DEEPROUTE
Hi，我是工程师小赵。硕士毕业于浙江大学，研究生期间的研究方向是基于腿足机器人的建图与定位系统，目前在地图与定位组参与高精度地图相关的工作；
作为刚入职不久的新人就能有这么宝贵的机会跟着同事们一起到ICRA会议现场学习交流，我感到十分荣幸，在这里和大家分享下我参会的见闻与收获。
2021年机器人与自动化国际会议
（ICRA 2021）5月30日至6月5日在中国西安国际会展中心举行。
由于疫情的影响，会议以混合形式举行，包括现场会议和云会议。现场会议主要是国内的论文作者和参展商参加，国外的论文作者和嘉宾主要是在线上进行演讲。由于各个地区的时差，线上会议大多数都是在深夜或者凌晨进行，所以此次参会期间我更多的是听了一些国内的论文和国内自动驾驶相关公司的动态。
此次会议内容和自动驾驶相关度比较高的主要是感知、规划控制和地图定位，我主要聚焦于地图定位相关内容。
根据粗略的统计，大会大约有两百多篇地图定位相关的论文，涉及到了激光/视觉SLAM、多传感器融合定位、语义地图与定位、闭环检测、数据集、标定和数学相关内容。基于我近期的工作，此次会议期间我重点关注了语义地图与定位、激光SLAM和闭环检测等内容。
首先分享一下参会期间，
我了解到的业内的一些进展：
百度作为国内自动驾驶规模与步伐都较为领先的企业，在会议期间举办了一个Apollo专场分享会，分享会上Apollo各个模块的负责人完整的介绍了相关技术框架。在地图与定位技术分享环节，相关负责任人首先介绍了一下百度的L4级自动驾驶定位框架，然后针对如何使用视觉信息实现稳定的L4级自动驾驶定位这一问题分享了最新的研究成果，主要成果可以概括为使用基于学习的方法提取的视觉特征点在高精度地图中实现高效、稳定的定位，该方法对天气变化、季节变化和环境的几何特征变化具有较强的稳定性。
华为在本次会议上也有较多自动驾驶相关的成果展示。其中我主要关注了两篇语义地图地图的文章 Visual Semantic Localization based on HD Map for Autonomous Vehicles in Urban Scenarios 和 A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving ，其中第二篇是华为天才少年秦通的最新研究成果。
该文章的主要贡献是提出了一个基于消费级汽车传感器实现语义地图的构建、存储和定位的完整框架。在作者的演讲中提到，该框架的实验平台是华为发布的极狐汽车，基于车载传感器获取环境语义信息，然后基于车载定位设备得到的汽车位姿将单帧语义信息拼接到全局地图中，整个地图处理过程在云端进行，并且支持多车同步建图，该功能的目的是实现地图的众包更新。在获取地图信息的同时，车辆也是基于云端获取的先验地图实现定位。
由于我本人和论文的作者认识，会后我们和作者进行了短暂的技术沟通，并且对我司的自动驾驶展示Demo进行了详细分析，华为的相关参会者对我们的成果表示非常欣赏。
华为语义地图系统框架
引自文章 A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving
除了百度和华为外，还有很多自动驾驶相关公司参加了会议，包括图森未来、赢彻科技和达摩院等。图森未来在会议上的论文 Tightly-Coupled Multi-Sensor Fusion for Localization with LiDAR Feature Maps 介绍了他们公司的一套基于点云特征地图的紧耦合多传感器融合定位框架。
该方法考虑了全局特征地图约束和运动约束，并且同时利用了激光雷达特征中的几何特征和正态分布特征来提高定位准确性和鲁棒性。华为和百度的分享重点是强调利用消费级的汽车实现高精度定位，其他公司也是着介绍了相关成熟算法的工程实现。虽然各家展示的效果都比较理想，但是我个人认为使用轻量级、低成本、无冗余的传感器方案在稳定性上仍然存在较大隐患，目前想要实现L4级别高精度的稳定定位还是需要激光雷达。
除了业界的分享之外，学术界也有一些比较好的文章，可以作为后续工作的借鉴。
我主要关注了以下几类：
1. 基于固态激光雷达实现的SLAM系统：
FAST-LIO A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter
该成果是由香港大学研究团队提出，介绍了一种基于大疆的固态激光雷达融合IMU的计算效率高、鲁棒性强的激光雷达-惯性里程计框架，该方法可以在快速运动、多噪声环境或发生退化的复杂环境中实现稳定精确的位姿估计。
固态激光雷达的视场较小，当机器在没有强特征的复杂环境中工作时，基于激光雷达的里程估计很容易退化。并且沿扫描方向分辨率较高，固态激光扫描通常包含许多特征点，将如此大量的特征点和IMU紧耦合需要较高算力。
为了应对快速运动、噪声或混乱的退化环境，该文章采用紧耦合迭代卡尔曼滤波器融合特征点和IMU测量值，并且提出了一个反向传播方法补偿运动失真，同时为了降低由大量特征点引起的计算负荷，提出了一个新的卡尔曼增益计算公式，并证明了它与传统卡尔曼增益公式的等价性，新公式的计算复杂度取决于状态维数而不是测量维数。
固态激光雷达作为近几年自动驾驶领域研究较为火热的产品，以其高稳定性、高点云密度和低成本的特点正在收到各界的广泛应用，随着其成本的进一步降低，后续在自动驾驶领域上必然会有越来越多的车辆搭载固态激光雷达，该文章提出的固态雷达SLAM框架不失为一个很好的参考。
基于固态激光雷达和IMU融合的SLAM系统框架：
引自文章 FAST-LIO A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter
2. 另一个关注点是建图系统的高效性和地图存储的轻量化。
随着建图算法的成熟和定位产品的落地，现在对地图定位系统的要求不仅是效果好，同时还要具备高效性和存储的轻量化。
在本次会议上也有相关的研究发表：LiTAMIN2 Ultra Light LiDAR-based SLAM using Geometric Approximation applied with KL-Divergence。
这篇文章提出了一个能以500-1000HZ运行的激光建图系统，论文中对传统ICP算法的损失函数进行改进，同时引入距离和形状相似度，使得该方法能够用极其稀疏的特征点实现精确的相对位姿估计，从而实现运行效率高、建图精度可以比拟目前最先进方法的SLAM系统。这项研究具有很强的借鉴意义，根据日常的工作经验，在建图过程中比较耗时的一个步骤就是点云的匹配，如果能在这一步实现不丢失精度的匹配加速将会极大的提升建图效率。这在以后的大规模、高刷新率的建图应用中尤为重要。
不同点云配准方法的损失函数比较：引自文章LiTAMIN2:
Ultra Light LiDAR-based SLAM using
Geometric Approximation applied with KL-Divergence
另外文章 Poisson Surface Reconstruction for LiDAR Odometry and Mapping 提出了一种基于三角形网格的几何精确地图表面泊松重建方法，该方法不仅可以精确的表示地图的几何信息，并且比原始点云地图存储效率高 10 倍，同时比类似的方法精度更高。
与之类似的还有一些点云地图压缩的研究成果 Deep Compression for Dense Point Cloud Maps，该文章研究了压缩稠密3D点云地图问题，通过基于学习的方法来描述局部特征描述符，根据这些描述符可以高效地重建点云。同时提出了一种新颖的深度卷积自动编码器结构，该编码器可以直接对点本身进行操作，从而避免了体素化。此外还提出了一种反卷积算子来对点云进行上采样，使得该方法能够将地图解压缩到任意密度。这些研究都是可以提高地图的存储效率、减小地图存储空间，这在大规模建图和远程实时更新地图时具有非常重要的意义。
THE END
除了以上相关研究外，本次会议上还有很多SLAM相关的成果。其中包括视觉相关里程计、激光雷达相关里程计、传感器标定方法和地点重识别等。这些研究都和自动驾驶有着非常紧密的关系，由于成果众多，在这里很难一一列举，感兴趣的读者可以自行查阅论文。
在这里附上一个本次会议的SLAM相关论文整理 https://github.com/MichaelWang1028/ICRA2021-SLAM-paper-list
（已开源，感谢作者MichaelWang1028）。